公路建设是我国基础建设的重心。由于城市化进程加快,随之带来了巨大交通压力。水泥道路路面质量的问题也凸显出来,由于雨水的冲刷、车辆荷载的作用以及施工方式的差异等,都会对水泥路面造成影响,使水泥道路产生相应的病害。因此对水泥道路路面进行定期检测,将是公路病害防治工作的重点。虽然探地雷达技术如今已经应用广泛,但是探地雷达图像识别技术依旧存在短板。本课题的研究在探地雷达检测水泥道路病害的基础上,采用GPRMAX2D软件模拟水泥道路病害图片的特征。利用YOLO v3对病害图像自动识别,并提高检测精度。研究了对水泥道路病害图像自动识别的方法。本课题分析了水泥道路病害的成因以及特征。了解路面结构,路面病害的空间位置,几何形状,形成原因以及不同病害的不同参数。采用GPRMAX软件对不同的水泥道路病害进行数值仿真模拟。探地雷达采集的图片由于各种因素的影响导致图片中含有噪声,采用中值滤波法、均值滤波法、双边滤波对探地雷达所采集的回声波进行降噪处理,主要过滤掉椒盐噪声。这样可以有效地对杂波以及噪声采取有效地抑制,从而提升了采集到的病害图像的质量。本课题通过对神经网络技术进行分析,利用其可以进行自学习,寻找发现实际样本中的特征和规律,可以根据训练习得的特点,正确预测新样本的分类,多运算可独立并行,提高运行训练速度等优越性。采用YOLO 作为基本框架对数据集进行训练。详细阐述了YOLO v3各模块的卷积机制,介绍v3网络识别原理。分析不同预测边界框和不同学习率下识别损失值大小,以提高识别准确率。将已采集好的探地雷达回波样本,通过均值滤波、中值滤波以及双边滤波杂波抑制方法进行降噪后,放入已训练完成的YOLO v3中,对比v2和v3对各病害识别精度,得出v3对识别病害区域的有效性和优越性。